一種兩階段梯度提升框架結合拉格朗日粒子跟蹤技術，用于核應急響應中快速預測大氣放射性核素擴散情況
《Journal of Environmental Radioactivity》：A two-stage gradient boosting framework coupled with Lagrangian particle tracking for rapid atmospheric radionuclide dispersion prediction in nuclear emergency response
【字體：
大
中
小
】
時間：2026年03月01日
來源：Journal of Environmental Radioactivity 2.1
編輯推薦：
放射性核素擴散預測研究中提出兩階段梯度提升回歸（TS-GB）代理模型，結合拉格朗日粒子追蹤，實現50公里范圍內平坦地形快速預測。模型通過零區域分類與濃度回歸分離，在穩態條件下R2達0.996，零類F1達99.2%。時間分解方法可處理累計726度風向變化，預測時間從29分鐘縮短至0.4秒，決策一致性超98.9%。
Jinjie Zhao|Xilong Tong
華東理工大學，南昌，330013，中國
摘要
預測放射性核素的大氣擴散對于核應急響應至關重要，然而任何有用的預測工具都必須在對物理真實性的追求與實時決策所需的速度之間取得平衡。在非靜止氣象條件下，這種權衡尤其具有挑戰性，因為變化的風速會導致復雜的羽流幾何形態，而穩態模型無法充分表征這些形態。在本文中，我們開發了一種輕量級的兩階段梯度提升（TS-GB）替代方法，結合拉格朗日粒子追蹤技術，用于在平坦地形上快速預測50公里范圍內的濃度場。與深度學習替代方法不同，該框架只需要少量的訓練數據，且不需要專用硬件。訓練數據由拉格朗日隨機粒子模型（LSPM）生成，該模型與其控制方程與FLEXPART、NAME和HYSPLIT模型相同，這些模型基于深圳國家基本氣象站的78種氣象情景進行訓練。由于濃度場本質上是稀疏的（零到非零的比例高達19:1），該框架將零區域分類與濃度回歸分開處理，在穩態條件下實現了R2 = 0.996和零類F1分數為99.2%。基于隊列的時間分解技術使該框架能夠無需重新訓練即可應用于非靜止風場。在風向累計變化達到726°的情況下，該替代方法的R2仍保持在0.93以上，而高斯羽流基線的R2則低于0.93。殘差誤差主要集中在低濃度羽流的外圍，并不會影響應急決策：當預測濃度轉換為環境γ劑量率并針對操作干預水平（OIL）閾值進行分類時，決策一致性超過98.9%，在中等和高釋放強度下沒有漏檢情況。預測時間從大約29分鐘縮短到不到0.4秒，使得該替代方法適用于實時應急風險分區。
引言
切爾諾貝利和福島災難清楚地表明，預測空氣中的放射性物質如何擴散對于核應急響應至關重要（Steinhauser等人，2014年）。特別是，必須在幾分鐘內獲得空間濃度場數據，以支持關鍵決策——其中最重要的是疏散分區和避難措施（IAEA，2018年）。因此，任何有用的預測工具都必須滿足雙重要求：足夠的物理真實性以捕捉大氣傳輸的基本特征，以及足夠快的速度以跟上緊急情況的發展。
在任何真實的核應急情況下，氣象條件都不是恒定的。風速和風向會在幾十分鐘到幾小時內發生變化，穩定性在白天對流狀態和夜間穩定狀態之間波動，混合層高度也會相應調整。在這種非靜止條件下，污染物羽流會彎曲、分叉和擴散，這與穩態行為有很大不同。因此，我們面臨的物理問題是預測在50公里范圍內的地面放射性核素濃度場，且速度要適合實時應急響應。
大氣擴散模型在處理氣象變化的方式上存在根本差異。穩態高斯模型——從經典的高斯羽流模型（GPM）（Stockie，2011年；Holmes和Morawska，2006年；Leel?ssy等人，2018年）到監管級別的工具如AERMOD（Cimorelli等人，2005年）——假設每個建模時間段內的氣象條件是恒定的來計算濃度場。當條件發生變化時，只需將新的穩態解疊加在之前的解上。這種順序疊加在計算上是高效的，并且在其目標條件下有大量證據支持：例如，AERMOD在接近靜止的氣象條件下適用范圍約為50公里（Perry等人，2005年）。問題在于，在釋放過程中風向發生顯著變化時。由于每個時間段都被獨立處理，這種方法會忽略之前釋放物質的平流歷史。實際上，羽流的連續部分遵循自己的軌跡，羽流會彎曲和曲折——這是任何一系列直線高斯快照都無法再現的行為。我們在第4.2節中使用基于Briggs參數化（Briggs，1973年）的高斯模型和順序疊加來量化這種失效。
拉格朗日隨機粒子模型（LSPM）采取了根本不同的方法：它通過由Langevin隨機微分方程控制的時變湍流速度場來追蹤單個粒子（Pisso等人，2019年；Thomson，1987年）。LSPM基于Thomson的混合層理論（Thomson，1987年），能夠準確捕捉風變條件下的羽流彎曲——但代價是在標準工作站上每個情景需要數百秒的計算時間，這使得它無法用于實時應用。
這種真實性與速度之間的差距促使人們開發了一系列基于機器學習（ML）的物理基礎擴散模型替代方法。早期的努力主要基于穩態或準穩態假設。Qiu等人（2018年）將人工神經網絡與粒子群優化和期望最大化相結合，用于有害氣體擴散預測和源估計。Zerrouk等人（2026年）評估了基于TAPM（Hurley等人，2005年）輸出的基于樹的和循環神經網絡替代方法，用于工業污染物的受體位置預測。Mendil等人（2022年）為城市應急環境中的PMSS拉格朗日模擬器構建了深度學習替代方法，每個情景限制為單一的恒定風速和風向。
越來越多的研究針對非靜止條件。Fillola等人（2023年）訓練了梯度提升回歸樹，以模擬多年真實大氣變化的氣象輸入下的NAME拉格朗日足跡。Gunawardena等人（2021年）使用1196個成員的多物理天氣集合模擬了FLEXPART-WRF Cs-137沉積場，用于核釋放情景。Marcos Filho等人（2024年）應用長短期記憶（LSTM）網絡預測時變氣象條件下的放射性羽流軌跡。Shao等人（2024年）使用圖神經網絡處理瞬態城市污染物擴散。Ayoub等人（2024年）開發了一種U形傅里葉神經運算符（U-FNO），繞過了WRF天氣預報和GEARN拉格朗日傳輸，在日本的WSPEEDI系統中實現了4000倍的加速。Dadheech等人（2025年）構建了STILT拉格朗日模型的深度學習模擬器，在實時變化的風條件下將大氣傳輸足跡計算速度提高了650倍。
這些研究表明，ML替代方法可以顯著加速大氣擴散預測，包括在時變氣象條件下的預測。深度學習架構是這一領域的主流方法，盡管它們通常需要大量的訓練數據（數百到數千次模擬）和非平凡的計算資源進行模型開發。同時，非靜止擴散也允許另一種策略：將連續釋放分成時間隊列，以便由物理過程解決大尺度平流，而輕量級替代方法處理每個隊列內的準穩態局部擴散。這種分解避免了端到端深度學習的需求，但在ML替代方法的背景下尚未得到探索。
本文提出了一種兩階段梯度提升（TS-GB）框架，結合拉格朗日粒子追蹤技術，旨在縮小這一差距：在非靜止氣象條件下實現高斯級別的速度（毫秒級），同時保持LSPM級別的準確性，并且訓練成本遠低于深度學習方法。本文做出了四項貢獻：
(1)為大氣擴散場的極端稀疏性設計的兩階段預測架構。第一階段使用雙重物理標準將網格點分類為零濃度區域和非零濃度區域；第二階段通過梯度提升回歸器預測非零區域內的對數濃度。這種分解解決了單階段方法面臨的嚴重類別不平衡問題（零到非零的比例超過10:1）。
(2)基于物理的信息特征工程：從Monin–Obukhov相似性理論（Foken，2006年；Yano和Wac?awczyk，2022年；Optis等人，2014年）和Hanna湍流參數化（Hanna等人，1984年）中提取的16個輸入特征，直接將邊界層物理特性編碼到模型輸入中。
(3)基于隊列的時間分解技術，通過將連續釋放分成時間隊列并跟蹤每個隊列在變化風下的傳輸中心，將框架擴展到非靜止條件。
(4)使用Briggs σ參數化（Briggs，1973年）與高斯羽流和Puff基線進行對照比較，從而明確了改進的來源：因為Puff基線與所提出的方法共享相同的隊列平流，觀察到的性能差距（R2_Puff ≤0.80 vs. R2_TS-GB > 0.93）歸因于學習到的局部擴散模型，而不是傳輸方案。
我們將注意力限制在平坦、無障礙的地形和具有恒定釋放率的地面連續點源上。這些簡化將氣象變化作為復雜性的唯一驅動因素，從而能夠清晰地比較ML替代方法和高斯基線。首先在穩態條件下驗證該框架（第4.1節），以確定基線準確性，然后擴展到非靜止條件（第4.2節）。第5節討論了限制和未來方向。
部分摘錄
拉格朗日大氣擴散模型
本研究的訓練數據由基于Thomson（1987年）混合層Langevin方程的拉格朗日隨機粒子模型（LSPM）生成——這一理論框架也是廣泛使用的操作擴散代碼的基礎，如FLEXPART（Pisso等人，2019年；Stohl等人，2005年）、英國氣象局的NAME模型（Beckett等人，2020年）和NOAA的HYSPLIT（Stein等人，2015年）。這些代碼已經通過覆蓋地表層到大陸范圍的現場示蹤活動得到了驗證。
模型架構設計
本節描述了預測框架。第3.1-3.3節涵蓋了在穩態氣象條件（恒定風速、風向和大氣穩定性）下的TS-GB架構、輸入特征和訓練設置。第3.4節則通過基于隊列的時間分解將框架擴展到非靜止條件。
結果與討論
本節按照第3節的順序評估該框架。第4.1節評估穩態性能，第4.3節進行敏感性分析：評估架構組件在穩態條件下的預測準確性和架構貢獻；第4.2節評估在非靜止氣象條件下的基于隊列的擴展，包括與高斯基線的比較；第4.4節報告計算效率。
實際應用：應急劑量評估和風險分區
第4節驗證了在穩態和非靜止條件下的預測準確性。然而，在核應急管理中，保護行動是由劑量率閾值觸發的，而不是由點濃度估計觸發的。對于部署來說，更相關的問題是第4節中的殘差誤差是否實際上影響了分區決策。本節將預測的濃度場轉換為劑量率圖，并根據LSPM參考值評估決策一致性。
結論
本研究開發了一種結合拉格朗日粒子追蹤的TS-GB替代方法，用于快速預測非靜止氣象條件下的大氣放射性核素擴散。訓練場景基于深圳氣象站的氣象觀測數據構建，涵蓋了超過90%的觀測參數空間。該模型在穩態條件下開發并得到驗證，然后通過基于隊列的時間分解擴展到非靜止條件。
CRediT作者貢獻聲明
Jinjie Zhao：撰寫——原始草稿、可視化、軟件、方法論、調查、數據整理、概念化。Xilong Tong：撰寫——審稿與編輯、軟件、方法論、概念化。
利益沖突聲明
作者聲明他們沒有已知的競爭性財務利益或個人關系可能影響本文報告的工作。
致謝
作者感謝華東理工大學的導師在準備本手稿期間提供的寶貴指導和建議性意見。作者還感謝深圳氣象局公開提供的氣象觀測數據，這對本研究至關重要。
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
